Classification of Diseases in Oil Palm Leaves Using the GoogLeNet Model

Abstract

The general health of palm trees, encompassing the roots, stems, and leaves, significantly impacts palm oil production, therefore, meticulous attention is needed to achieve optimal yield. One of the challenges encountered in sustaining productive crops is the prevalence of pests and diseases afflicting oil palm plants. These diseases can detrimentally influence growth and development, leading to decreased productivity. Oil palm productivity is closely related to the conditions of its leaves, which play a vital role in photosynthesis. This research employed a comprehensive dataset of 1,230 images, consisting of 410 showing leaves, another 410 depicting bagworm infestations, and an additional 410 displaying caterpillar infestations. Furthermore, the major objective was to formulate a deep learning model for the identification of diseases and pests affecting oil palm leaves, using image analysis techniques to facilitate pest management practices. To address the core problem under investigation, the GoogLeNet deep learning approach was applied, alongside various hyperparameters. The classification experiments were executed across 16 trials, each capped at a computational timeframe of 10 minutes, and the predominant duration spanned from 2 to 7 minutes. The results, particularly derived from the superior performance in Model 4 (M4), showed evaluation accuracy, precision, recall, and F1-score rates of 93.22%, 93.33%, 93.95%, and 93.15%, respectively. These were highly satisfactory, warranting their application in oil palm companies to enhance the management of pest and disease attacks. Kesehatan umum pohon kelapa sawit—yang mencakup akar, batang, dan daun—berdampak signifikan terhadap produksi minyak sawit; oleh karena itu, diperlukan perhatian cermat untuk mencapai hasil panen yang optimal. Salah satu tantangan dalam mempertahankan produktivitas tanaman adalah maraknya serangan hama dan penyakit pada kelapa sawit. Penyakit-penyakit ini dapat berdampak buruk pada pertumbuhan dan perkembangan tanaman, yang pada akhirnya menurunkan produktivitas. Produktivitas kelapa sawit sangat erat kaitannya dengan kondisi daun, yang memegang peranan vital dalam proses fotosintesis. Penelitian ini menggunakan kumpulan data komprehensif yang terdiri dari 1.230 citra: 410 citra daun, 410 citra serangan ulat kantong (*bagworm*), dan 410 citra serangan ulat lainnya. Tujuan utamanya adalah mengembangkan model *deep learning* untuk mengidentifikasi penyakit dan hama pada daun kelapa sawit menggunakan teknik analisis citra guna mendukung praktik pengendalian hama. Untuk menjawab permasalahan utama penelitian, pendekatan *deep learning* GoogLeNet diterapkan dengan menggunakan berbagai pengaturan hiperparameter. Eksperimen klasifikasi dilakukan dalam 16 kali percobaan, dengan batasan waktu komputasi maksimal 10 menit per percobaan; sebagian besar durasi eksekusi berkisar antara 2 hingga 7 menit. Hasil penelitian—khususnya yang diperoleh dari Model 4 (M4) yang menunjukkan kinerja terbaik—mencatatkan tingkat akurasi, presisi, *recall*, dan *F1-score* masing-masing sebesar 93,22%, 93,33%, 93,95%, dan 93,15%. Hasil ini dinilai sangat memuaskan dan layak diterapkan di perusahaan kelapa sawit untuk meningkatkan efektivitas penanganan serangan hama dan penyakit.